文章摘要
Loop Engineering是2026年6月由Google工程总监命名推广的AI工程方法论，让AI智能体自主迭代完成任务。文章介绍其核心定义、思想渊源、五大构成模块，对比主流AI编程工具的Loop实现，给出实战入门方法，指出实践挑战及应对策略，还探讨未来发展趋势，如走向多智能体协作、抽象标准化、拓展应用领域等，并解答常见问题。

Loop Engineering（循环工程）是一种让AI智能体自主迭代完成任务的系统化方法，本文系统讲解其核心理念、五大构成模块与多领域实践应用。

图片描述

第一 Loop Engineering的核心定义与诞生背景

Loop Engineering是2026年6月由Google工程总监Addy Osmani正式命名并推广的AI工程方法论。顾名思义，它围绕“循环”（Loop）这一核心概念展开——所谓循环，就是一个递归目标：你定义一个目的，人工智能反复迭代直到完成。

1.1 一句话理解Loop Engineering

用最直白的话说：Loop Engineering就是你不再亲自一句句给AI下指令，而是设计一套系统，让它代替你不断地给AI下指令，直到任务真正完成。过去两年里，人与编码智能体协作的方式是：你写一段提示词，读它的返回结果，再写下一段提示词，AI全程是你手里的工具，每次对话都需要你亲自控制。而Loop Engineering则完全改变了这种模式：你构建一个能够自动发现任务、分配任务、检查结果、记录进度、决定下一步的小系统，让这个系统去触发智能体，而不是你亲自去做。

从另一个角度理解：传统的面向提示词的编程（Prompt Programming）就好比你亲自开车，每个路口都要自己打方向盘；而Loop Engineering则是你作为工程师设计和制造一辆自动驾驶汽车，设定好目的地和到达判断标准，然后让车自己开。Loop Engineering的核心在于你不必再向编码智能体手动输入提示词，而是设计能够持续提示、调度和约束智能体的循环系统。

1.2 四个AI工程范式的演进脉络

要真正理解Loop Engineering，有必要回顾AI工程在过去几年的演化路径。表面上看是不同概念的更替，底层却贯穿着一条清晰的线索：AI能连续自主工作的时间长度在不断增长。

时间节点 核心范式 主要特点 AI能力边界 开发者角色
2023年 Prompt Engineering（提示词工程） 一问一答式交互，靠提示词质量决定输出 单次回答 提示词操作员
2024年 Context Engineering（上下文工程） AI开始使用工具，需管理信息输入和记忆 数十步连续操作 信息管家
2025年 Harness Engineering（驾驭工程） 构建AI运行环境，配置工具权限和护栏 数小时连续工作 系统搭建者
2026年 Loop Engineering（循环工程） 系统自动调度智能体，自主迭代完成目标 数天连续自主运行 规则设计者

2023年，Prompt Engineering是主流——你问AI一句、它答一句，产出质量全凭提示词的好坏，一门心思研究怎么把问题问得更精准。到了2024年，Context Engineering走上前台——AI开始能用工具查资料、调API、读文件，但执行到第20步时会把第一步的信息忘干净，需要你像秘书一样管理信息输入和提醒。

2025年是Harness Engineering兴起的一年。AI能连续工作数小时，光管信息输入已不够用，你必须为它配备完整的工作环境：工位在哪、工具有哪些、权限开到多大、出错谁检查、检查不过怎么纠正。这套系统就叫Harness，搭建它的工程就是Harness Engineering。

2026年6月，Claude Code创始人Boris Cherny在开发者大会上说了一段话，迅速在技术社区传开：“我已经不再给Claude写提示词了。我写好一个个运行着的循环，让循环去提示Claude并让它自己搞清楚该做什么。我的工作就是写循环。”这段演讲片段上传到社交平台后，不到24小时获得近70万次播放。紧接着，Addy Osmani正式为这个概念命名——Loop Engineering。

1.3 从确定性到非确定性的范式跨越

软件工程泰斗Martin Fowler在2025年提出了一个影响深远的论断：编程的本质正在从确定性逻辑构建转向不确定性系统设计。传统编程是确定性的——同样的输入必然产生同样的输出。但大语言模型是非确定性的——同样的提示词，两次运行的结果可能完全不同。这意味着传统的传统瀑布式开发和线性交付流程在面对AI时不再有效。

Martin Fowler用造桥做了一个生动的类比：“我们需要学会像造桥一样写代码。造桥的结构工程师在工作中有一个核心概念叫容差。木材、钢铁、混凝土的物理性能虽然大致已知，但不能按照理论最优值去设计，必须留出足够的余量，为最坏的情况做准备。”Loop Engineering正是在这种不确定性背景下应运而生的方法论——不试图消除AI的不确定性，而是通过循环机制来管理和约束它。

第二 Loop Engineering的思想渊源

2.1 ReAct模式的延伸

现代智能体循环大多可以追溯到ReAct（Reason + Act，推理加行动）研究范式——让模型“先思考、再行动、看结果、再思考、再行动”，把推理步骤和行动步骤交织起来。ReAct的核心闭环可以概括为：收集上下文→采取行动→验证结果→重复。从这层意义上说，Loop Engineering可以看作ReAct模式在工程实践层面的系统化升级——从单次推理行动的循环，升级为可规模化部署的工程体系。

2.2 “澳洲放羊大叔”的启示

2025年底，澳大利亚开发者Geoffrey Huntley在“铲羊粪的间隙”，写出了仅有5行代码的Bash脚本：

while :; do cat PROMPT.md | claude-code； done

这段代码的逻辑出奇简单：启动→读取PROMPT.md→交给Claude Code执行→重复。Huntley惊喜地发现，当AI看到自己上一轮留下的代码、测试结果和错误日志时，它会自动修正。哪怕第一次写错，反复几轮后最终能完成任务。他把这个循环命名为“Ralph Wiggum”——《辛普森一家》中那个天真但异常执着的小学生角色，其经典台词“I‘m in danger！”恰好契合了在困境中持续迭代、永不放弃的精神。

这件事的意义远超代码本身。它证明了一个朴素的真理：循环本身就是一种强大的工程策略。不需要复杂的编排框架，只需要一个简单的无限循环加上持续积累的上下文，AI就能自主修正和推进任务。现在看来，那5行Bash脚本就是Loop Engineering最早的雏形。

2.3 控制论与反馈循环的理论根基

控制论（Cybernetics）自1948年Norbert Wiener创立以来，就以反馈循环作为其核心概念。“反馈循环是组装系统的基本元件”，正如系统动力学奠基人Jay Forrester所言。控制论将反馈分为两类：负反馈（Negative Feedback）通过调节使系统趋向目标状态，正反馈（Positive Feedback）则使系统偏离初始状态而产生增长或衰退。这两种反馈机制都直接映射到Loop Engineering的设计中——负反馈对应评估与修正机制，使AI的生成结果不断趋近预设目标；正反馈则对应目标拆分与逐步推进，使任务范围逐步扩展直至完成。

在工程学领域，反馈循环是系统设计的基本构件。从经典的控制系统理论到现代的多循环反馈系统设计，工程学始终强调循环结构在应对不确定性和复杂系统时的核心价值。

第三 Loop Engineering的五大构成模块

一个完整的Loop需要五样东西，外加一处记忆存储。Addy Osmani将这五个构件系统化地总结出来，可以当作设计和评估任何循环系统的检查清单。值得注意的是，这五个模块在不同AI编程工具中的名称各不相同，但其结构形态高度一致——无论在Claude Code还是OpenAI Codex中，五个模块都能找到对应的实现。

3.1 自动化触发（Automations）

核心功能：按设定计划自动启动智能体，独立完成任务发现和初步分类。

自动化模块是一个循环的起搏器。它按设定计划（cron）自动触发智能体，发现待处理任务并完成初步分类，而无需人工干预。一个规模化的Loop可能同时运行着数以百计的自动化任务，覆盖从监控代码变更到自动测试的全流程。在Claude Code中，用户可以通过cron create命令创建新的定时循环；在Codex中，自动化功能则集中在专门的Automations面板中。

3.2 工作空间隔离（Worktrees）

核心功能：让并行的多个智能体在独立的工作空间中运行，互不干扰。

当多个智能体同时运行时，它们必须拥有独立的工作空间，否则会产生文件冲突和状态干扰。Worktrees模块正是解决这一问题的关键——每个智能体在其专属的工作树中运行，互不踩踏。这在并行任务处理中尤为重要：一个智能体在修改核心代码的同时，另一个智能体可以独立进行测试或文档更新，两者互不干扰。

3.3 技能与知识记录（Skills）

核心功能：将项目知识结构化地记录下来，避免智能体靠猜。

Skills模块负责将项目知识以结构化的方式记录下来——编码规范、API约定、项目架构、业务规则等。没有技能记录，智能体只能靠“猜”，而猜错的概率相当可观。通过技能模块，智能体在进入任务之前就获取了足够的环境认知，执行质量自然大幅提升。

3.4 插件与连接器（Plugins & Connectors）

核心功能：将智能体接入现有的工具生态。

孤立于工具生态之外再强大的智能体也寸步难行。插件与连接器模块负责将智能体接入团队日常使用的工具——代码仓库、CI/CD管道、项目管理平台、通信工具等。正是通过这一模块，智能体才能真正成为团队中的一员，而不是一个孤立的“AI进程”。

3.5 子智能体（Sub-agents）

核心功能：一个负责出方案，另一个负责检查，形成内部制衡。

子智能体模块实现了“方案与检查”的解耦。一个智能体负责产生方案和执行，另一个智能体则专门负责检查和验证。这种结构形成了系统内部的制衡机制，有效防止了单一智能体可能出现的“自我感觉良好”幻觉问题。在Harness Engineering的语境下，这被称为“把解决问题和评估分成两个独立的智能体”。

3.6 记忆存储（Memory）

核心功能：将已完成事项和待办事项存储于对话会话之外。

第六个要素——记忆，是一个看似简单实则至关重要的构件。它可以是Markdown文件、Linear任务板，或者任何独立于单次对话会话的存储位置。为什么需要对话之外的记忆？因为大模型在每次运行之间会遗忘一切——模型会忘记，但仓库不会。因此记忆必须存储在磁盘上，而不是上下文窗口中。这是所有长期运行的智能体都依赖的底层技巧：智能体忘记了没关系，记忆库记得就行。

第四 主流AI编程工具的Loop实现横向对比

对比维度 Claude Code (Anthropic) OpenAI Codex xAI Grok
自动化触发 cron create / cron list / cron delete 完整命令体系 Automations面板，含定期发现和分类功能 具备调度能力，细节未全部公开
工作空间隔离 完整支持Worktrees 支持并行工作流 支持
技能记录 AGENT.md 配置文件 Skills模块 具备知识记录机制
插件生态 插件连接器丰富 开放工具接入 逐步扩展中
子智能体 支持并行独立核查 支持多智能体协作 支持
循环命令原生性 CLI原生支持 当前无原生loop CLI命令 具备对应原语
主要局限 Token消耗较高 自动化能力存在但命令不完整 成熟度略低

在设计一个Loop时，以上工具的差异反而不重要。正如Addy Osmani所观察到的：“一旦你意识到五者的结构是相同的，你就不会再纠结用哪个工具了，你只需要设计一个在任何工具里都能跑起来的Loop。”

第五 Loop Engineering实战入门

5.1 最快上手的方法：从Bash循环开始

理解Loop Engineering最快的方法不是阅读长篇文档，而是动手写一个最简单的循环。从经典的“Ralph Wiggum”循环开始——那5行Bash脚本的精髓在今天依然适用：

#!/bin/bash

while :; do
  # 1. 定义目标
  cat CURRENT_GOAL.md > PROMPT_CONTEXT.md

  # 2. 调用智能体
  claude-code < PROMPT_CONTEXT.md > OUTPUT.md

  # 3. 检查结果
  if grep -q "TASK_COMPLETE" OUTPUT.md; then
    break
  fi

  # 4. 更新上下文继续下一轮
  cat OUTPUT.md >> PROMPT_CONTEXT.md
done

这个朴素的循环包含了Loop Engineering的四个基本元素：明确的目标（CURRENT_GOAL.md）、智能体调用（claude-code）、结果评估（检查“TASK_COMPLETE”标记）、上下文累积（将输出追加到下一轮的上下文中）。只需把这四个元素配齐，就拥有了一个能自主运行的循环系统。

5.2 一个完整的循环闭环

任何形式的循环系统，无论规模大小，都必须包含四个基本步骤，才能形成一个完整的闭环：

第一步：收集上下文（Gather Context） 。循环开始前，系统必须收集足够的背景信息——当前任务状态、已完成工作的记录、等待处理的问题列表、已有的产出结果。信息越完整，智能体执行的质量就越高。

第二步：采取行动（Take Action） 。基于收集到的上下文，智能体执行当前回合的具体任务。这可能是生成代码、修复Bug、撰写文档或运行测试。

第三步：验证结果（Verify Work） 。行动完成后，系统对产出进行验证——代码是否能编译通过、测试是否全部通过、输出是否符合目标定义。验证的结果决定了循环是否继续。

第四步：重复循环（Repeat） 。如果验证未通过，系统收集新的上下文（包含上一轮的结果和验证反馈），然后重新进入下一轮行动。只要“验证”没通过，循环就继续；一旦目标达成或触发停止条件，循环正式结束。

5.3 Harness与Loop的关系

理解Harness Engineering是理解Loop Engineering的前置条件。Harness（直译为马具）是为单个智能体搭建的运行环境——包括提示词模板、工具权限范围、护栏机制、记忆管理等。如果说Harness是智能体活动的工作室，那么Loop Engineering就是工作室之外的外循环——一个跑在计时器上、能自己生成子助手、能自我驱动的Harness。

两者的关系可以这样理解：Harness Engineering回答的是“智能体在哪干活”的问题——工位在哪、工具有哪些、权限开到多大。Loop Engineering回答的是“谁让智能体干活”的问题——什么时候启动、启动后干什么、干完谁来检查、检查不过怎么办、什么时候收工。Harness为单个智能体提供运行环境，Loop则负责调度和管理这些智能体运行的节奏。

5.4 应用案例：从需求到交付的完整闭环

一个完整的Loop可以从需求分析阶段一直运行到代码发布。典型的工作流如下：

  1. 需求输入：用户将需求描述作为初始上下文输入系统
  2. 任务拆解：主智能体将需求拆解为可执行的子任务清单
  3. 并行执行：子智能体同时在独立工作空间中处理各子任务
  4. 交叉验证：专门负责验证的智能体逐一核查输出
  5. 结果反馈：验证结果回流到主智能体的上下文中，用于调整后续行动
  6. 递归直到完成：重复以上步骤，直到所有子任务完成，整体目标达成

根据实战项目的数据，经过收敛反馈闭环驱动软件从需求到交付的完整流程后，相较于传统线性交付流程，迭代周期可缩短约40%-60%。

第六 实践中的挑战与应对策略

6.1 Token成本问题

Token成本是Loop Engineering在规模化实践中最被关注的限制因素。用户使用模式因人而异，成本差异可以非常大。一个长时间运行的循环可能消耗远超预期的Token量，尤其是当智能体产生冗余输出或在无效方向上反复尝试时。

应对策略包括：限制上下文长度，每次只向智能体提供达成当前子目标所需的最必要信息；对输出进行冗余控制，通过提示词限制输出长度和内容类型；选择合适的模型和调用策略，简单任务调用低成本模型，复杂任务再调用高级模型；建立Token预算监控机制，当消耗超出阈值时触发报警或中断循环。

6.2 上下文膨胀问题

随着循环轮次的增加，上下文会不可控地膨胀。AI执行到第20步时可能已经忘了第一步说过的内容，但把所有历史记录都保留又会导致上下文过长、处理效率下降、Token消耗激增的三重问题。

解决方案是建立上下文管理机制（压缩、摘要、分页）。每次循环轮次结束后，系统对所积累的上下文进行压缩或提炼摘要，只将最核心的信息递入下一轮。类似人类的笔记方法——把长篇对话整理成要点，而不是逐字逐句地背诵全文。压缩策略的运用直接影响系统的成本和性能表现。

6.3 可观测性与调试困难

当十几个甚至几十个智能体同时在循环中运行时，追踪系统状态变得异常困难。谁在执行什么任务、完成了多少、卡在了哪里、谁在等待谁的输出——这些信息的缺失会使调试几乎不可能。

应对策略包括：建立完整的日志系统，记录每一次循环轮次的关键信息（智能体身份、目标描述、执行时长、输出摘要、验证结果）；设计状态可视化仪表板，让操作者能一目了然地看到所有循环的运行状态；为关键路径设置人工审批点，在需要方向性判断的节点暂缓执行，等待人工确认后再继续。

6.4 安全与合规风险

循环自动化可能带来的风险包括数据泄露、未授权操作和模型幻觉放大。当一个智能体获得了代码仓库写入权限，而另一个智能体独立运行时产生了错误的代码修改，风险就会真实地传导到生产环境中。

治理措施包括：访问控制，严格定义不同智能体的权限边界——读仓库的智能体不能写，运行测试的智能体不能部署；审计链路，每一次智能体操作都应留下可追溯的记录，包括操作时间、操作对象、操作内容和操作结果；回退路径，对关键操作（如代码提交、部署发布）保留人工回滚机制；设置护栏，在循环系统的关键节点嵌入安全审核规则，一旦检测到异常模式（如大量文件删除、超出权限边界的操作），立即暂停整个循环。

6.5 “人在循环中”的定位问题

在Loop Engineering中，Human-in-the-loop不是人工审核的另一种说法，也不是对用户的频繁打扰。关键角色被明略科技称为 “品鉴者” （Taster）——不参与智能体的具体执行过程，而是在关键节点做方向性判断：循环在正轨上就放行，偏了就纠偏，达到标准就叫停。

这种设计把人的精力集中在两件事上：一是确认“输出的东西好不好”，二是判断“接下来的方向对不对”。人只需要在关键的决策点上花几秒钟做判断，剩下的具体执行工作全交给循环系统，从而将人的价值聚焦在不可替代的方向性判断和创意决策上。

第七 Loop Engineering的未来发展趋势

7.1 从单智能体走向多智能体协作网络

目前行业讨论的Loop Engineering大多停留在单个智能体层面——更聪明的智能体配上更精巧的循环设计，在沙箱里反复迭代。这解决了“一个人怎么把活干得更快”的问题。然而现实世界的任务往往不是一个智能体能独立闭环的：一个产品需求的落地，需要产品经理定义目标、设计师输出方案、工程师实现代码、测试团队验证质量、运营反馈数据。这不是一个循环，是循环的嵌套与协作。

未来的方向是将循环工程推向多智能体协作网络。在组织层面解决智能体之间的上下文交换、产出传递和相互触发问题，形成更强大的群体智能。目前已有先例——某科技企业有超过2900个AI智能体在日常业务中协同运作，实现跨智能体的上下文流转和产出传递。

7.2 抽象化与标准化演进

从脚本编写到产品内置的演进路径已经显现。一年前实现一个循环还需要写一堆Bash脚本，并且要永远维护这堆脚本。如今这些模块已经直接内置在Claude Code和Codex等产品中了。

随着行业迅速围绕这一架构形成标准，循环设计正变得日益工具无关（tool-agnostic）。未来的发展方向包括：状态管理抽象，将循环状态的生命周期管理标准化；调度策略模板，为常见应用场景提供开箱即用的调度方案；重试与幂等性保证，确保循环系统在异常情况下仍然可靠；语言级支持，将循环结构抽象为编程语言的顶层原生概念。

7.3 从Coding Agent走向更广泛的AI应用

虽然Loop Engineering最初诞生于AI编程场景，但其核心思想——设计循环系统而非手动驱动智能体——有潜力扩展到更广泛的AI应用领域。从AI驱动的游戏开发到自动化测试验证，从内容生成管道到数据分析流程，只要涉及多轮迭代的AI调用，Loop Engineering的方法论都可适用。

正如Martin Fowler所预测的，“把软件工程中的‘代码即逻辑’替换为‘代码即约束和规约’，可能是我们这一代人面临的最重要的范式转变。”Loop Engineering正是在这一转变中扮演关键角色的方法论。

常见问题解答（FAQ）

Q1：Loop Engineering和Prompt Engineering有什么本质区别？

Loop Engineering优化的是自动生成并验证指令的整套系统，你的角色是系统架构师，智能体是可长期运行的进程。而Prompt Engineering优化的是单条手敲指令，你的角色是操作员，智能体是一次性工具。简而言之：Prompt Engineering优化“输入”，Loop Engineering优化“围绕模型的整个流程”。

Q2：实现一个Loop需要多少行代码？

最早的原型只用5行Bash脚本就能跑起来，但那是概念验证。实际生产环境中运行的循环系统通常需要数百到数千行的实现，涵盖目标管理、上下文压缩、验证机制、停止条件和日志监控等完整模块。不过，随着Codex和Claude Code等工具将这些模块内置化，普通用户已无需从零写起。

Q3：Token成本会不会成为规模化应用的障碍？

这是当前Loop Engineering最被关注的问题。Token成本确实会随循环轮次增加而显著增长，但可以通过上下文压缩、输出冗余控制和模型分层调用等策略有效控制。建议从短周期、低成本的场景开始验证，逐步扩大到更复杂的任务。在小规模试点中验证有效后，再评估规模化部署的收益与成本。

4：如何评估一个Loop是否有效？

有效的Loop必须具备四个特征：每一轮产生可观察的反馈、反馈能闭环到系统设计中影响下一轮行为、系统向预期目标持续收敛、停止条件能够被可靠检测。一个好的循环应该不是机械地重复，而是每一次轮次都具备工程意义。

Q5：普通人需要学习Loop Engineering吗？

如果你是日常使用AI工具完成任务的普通用户，不需要专门学习。Loop Engineering面向的是构建系统的人——那些需要让AI大规模、长时间、自动化运行的内容交付者和技术开发者。这类用户会发现Loop Engineering是他们工具箱中不可或缺的工程方法。如果你是AI工具的使用者而非构建者，继续用好Prompt Engineering即可，不必急于升级。

Q6：Loop Engineering会完全取代Prompt Engineering吗？

不会。二者的关系不是替代，而是层次提升。Prompt Engineering仍然是每次具体调用的基础——Loop系统在内部调用AI时仍然需要高质量的提示词。Loop Engineering不是在无提示词的条件下运转，而是在更高层面上设计“如何、何时、为何”发提示词的系统。Boris Cherny也坦言：活儿没变简单，只是杠杆点向上移了。两种能力将长期并存，面向不同层次的用户和任务。

Q7：在哪里可以看到Loop Engineering的实际效果？

Anthropic的Claude Code已经完整内化了Loop Engineering的五构件，OpenAI Codex也同样具备。YouTube和开发者社区上有大量视频演示，展示开发者如何用循环系统实现从需求到代码交付的全自动流程。此外，开源社区也已出现基于Loop Engineering原则的自主编程智能体实现，可供学习参考。

以上内容不代表本平台立场，仅供读者参考